ClassificationModel Estructura

Definición

Espacio de nombres:

Azure.ResourceManager.MachineLearning.Models

Ensamblado:

Azure.ResourceManager.MachineLearning.dll

Paquete:

Azure.ResourceManager.MachineLearning v1.1.1

Source:

ClassificationModel.cs

Enumeración para todos los modelos de clasificación admitidos por AutoML.

public readonly struct ClassificationModel : IEquatable<Azure.ResourceManager.MachineLearning.Models.ClassificationModel>

type ClassificationModel = struct

Public Structure ClassificationModel
Implements IEquatable(Of ClassificationModel)

Herencia

ValueType

ClassificationModel

Implementaciones

IEquatable<ClassificationModel>

Constructores

ClassificationModel(String)

Inicializa una nueva instancia de la clase ClassificationModel.

Propiedades

BernoulliNaiveBayes	Clasificador Bayes naive para modelos Bernoulli multivariante.
DecisionTree	Los árboles de decisión son un método de aprendizaje supervisado no paramétrico que se usa para las tareas de clasificación y regresión. El objetivo es crear un modelo que prediga el valor de una variable de destino mediante el aprendizaje de reglas de decisión sencillas inferidas de las características de datos.
ExtremeRandomTrees	Los árboles extremos son un algoritmo de aprendizaje automático de conjunto que combina las predicciones de muchos árboles de decisión. Está relacionado con el algoritmo de bosque aleatorio ampliamente utilizado.
GradientBoosting	La técnica de tránsito de estudiantes de semana en un aprendiz fuerte se denomina Boosting. El proceso del algoritmo de potenciación de degradado funciona en esta teoría de la ejecución.
KNN	El algoritmo K-nearest vecinos (KNN) usa "feature similarity" para predecir los valores de nuevos puntos de datos, lo que significa que el nuevo punto de datos se asignará a un valor en función de la estrecha coincidencia con los puntos del conjunto de entrenamiento.
LightGBM	LightGBM es un marco de potenciación de degradado que usa algoritmos de aprendizaje basados en árboles.
LinearSVM	Una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos. Después de dar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo. La SVM lineal funciona mejor cuando los datos de entrada son lineales, es decir, los datos se pueden clasificar fácilmente dibujando la línea recta entre valores clasificados en un gráfico trazado.
LogisticRegression	La regresión logística es una técnica de clasificación fundamental. Pertenece al grupo de clasificadores lineales y es algo similar a la regresión polinómica y lineal. La regresión logística es rápida y relativamente sin complicaciones, y es conveniente interpretar los resultados. Aunque básicamente es un método para la clasificación binaria, también se puede aplicar a problemas de varias clases.
MultinomialNaiveBayes	El clasificador Bayes naive multinomial es adecuado para la clasificación con características discretas (por ejemplo, recuentos de palabras para la clasificación de texto). Normalmente, la distribución multinomial requiere recuentos de características de enteros. Sin embargo, en la práctica, los recuentos fraccionarios como tf-idf también pueden funcionar.
RandomForest	El bosque aleatorio es un algoritmo de aprendizaje supervisado. El "bosque" que crea es un conjunto de árboles de decisión, normalmente entrenados con el método de etiquetado. La idea general del método de etiquetado es que una combinación de modelos de aprendizaje aumenta el resultado general.
SGD	SGD: el descenso de degradado estocástico es un algoritmo de optimización que se usa a menudo en las aplicaciones de aprendizaje automático para encontrar los parámetros del modelo que corresponden al mejor ajuste entre las salidas previstas y reales.
SVM	Una máquina de vectores de compatibilidad (SVM) es un modelo de aprendizaje automático supervisado que usa algoritmos de clasificación para problemas de clasificación de dos grupos. Después de dar a un modelo SVM conjuntos de datos de entrenamiento etiquetados para cada categoría, pueden clasificar el texto nuevo.
XGBoostClassifier	XGBoost: algoritmo de potenciación de degradado extremo. Este algoritmo se usa para datos estructurados en los que los valores de columna de destino se pueden dividir en valores de clase distintos.

Métodos

Equals(ClassificationModel)	Indica si el objeto actual es igual que otro objeto del mismo tipo.
ToString()	Devuelve el nombre de tipo completo de esta instancia.

Operadores

Equality(ClassificationModel, ClassificationModel)	Determina si dos ClassificationModel valores son iguales.
Implicit(String to ClassificationModel)	Convierte una cadena en un ClassificationModel.
Inequality(ClassificationModel, ClassificationModel)	Determina si dos ClassificationModel valores no son los mismos.